Surmonter le défi des données

L’adoption de nouvelles approches en matière de données et de programmes d’analyse

24 April 2023

12 minutes de lecture

L’adoption de nouvelles approches en matière de données et de programmes d’analyse peut aider les organisations à échouer rapidement, à optimiser les coûts et à créer plus rapidement de la valeur

En l’absence de données solides, il est difficile de se fier aux renseignements, en particulier dans le cas d’analyses complexes qui font appel à l’apprentissage machine et à l’intelligence artificielle (IA). Selon le Rapport mondial sur la technologie de KPMG, les données sous-optimales et les pratiques de gestion des données font partie des principaux défis que doivent affronter les entreprises au moment d’adopter des technologies nouvelles et émergentes.

Lorsqu’on leur demande de décrire où en est leur organisation par rapport aux données et aux analyses, 30 % des personnes sondées affirment que les membres de la direction appuient leur stratégie dans l’ensemble et leur ont accordé du financement. Pourtant, la mise en œuvre de ces stratégies est plus lente que prévu ou enregistre un retard.

En effet, un grand nombre d’entreprises adoptent une approche qui place la technologie au premier plan plutôt que de se concentrer sur la résolution de problèmes opérationnels complexes en s’appuyant sur des analyses. Pour transformer votre stratégie d’analyse de données en vue de créer de la valeur à court et à long terme, poursuivez votre lecture et découvrez les pratiques exemplaires.

Commencer par cerner le problème opérationnel, puis remonter jusqu’au problème de données

Il arrive souvent aux organisations de se perdre dans leurs données et de ne pas savoir comment progresser. Elles peuvent consacrer énormément de temps et d’argent à la recherche de la « bonne » plateforme d’analyse pour résoudre simultanément tous leurs problèmes opérationnels plutôt que d’ajouter de la valeur et de réaliser des gains rapides en réglant promptement un problème organisationnel précis.

Une autre approche relative aux programmes de données à grande échelle et pluriannuels consiste à adopter une perspective qui place les opérations au premier plan, puis à examiner comment les données peuvent être utiles. Par le passé, toutes les données étaient traitées de la même façon. Toutefois, toutes les données ne sont pas équivalentes : complexes, elles sont de valeur et de qualité diverses et connaissent une croissance constante.

Votre organisation observera plus rapidement la valeur de la transformation si elle énonce d’abord le problème, en formulant et en testant des suppositions, puis en remontant jusqu’à sa stratégie de données.

Mission

Nous avons entrepris une importante modernisation de l’environnement des systèmes d’évaluation d’un assureur à l’échelle mondiale. Le mandat consistait à rationaliser les modèles, à automatiser les flux de données et à fournir des outils d’analyse qui permettraient à la société d’expliquer ses résultats, comme l’analyse des changements survenus entre les trimestres.

Défi pour le client

Le plus grand défi consiste généralement à déterminer adéquatement les besoins d’analyse et à sélectionner les bonnes données. Les sources de données multiples et les milliers de caractéristiques possibles compliquent le processus de production de rapports.

Solution

Nous avons travaillé en collaboration avec les utilisateurs finaux de la société pour l’aider à concevoir une solution de production de rapports et d’analyse au moyen d’une série d’itérations. Ainsi, les utilisateurs finaux ont pu interagir avec leurs données sur leur outil stratégique et comprendre l’art du possible.

Cette approche est à l’opposé du processus traditionnel « sur papier », qui consiste à formuler des exigences lors de réunions et d’ateliers qui font état de la situation dans le secteur des nouvelles technologies. Ce type de processus ne permet pas la création d’une interface utilisateur puisque la collecte de données engloutit la plus grande partie du budget. En commençant par l’expérience utilisateur plutôt que par le « problème des données », nous avons pu obtenir des résultats rapidement et en respectant le budget.

Commencer à petite échelle pour pouvoir échouer rapidement

Commencer par de petits objectifs atteignables et se concentrer sur un problème opérationnel plutôt que sur la recherche de la bonne plateforme d’analyse de données peut ajouter énormément de valeur pour l’organisation et contribuer à façonner des objectifs à long terme. Lorsqu’une entreprise commence à adopter des outils d’analyse avancés qui s’appuient sur l’IA, il devient encore plus important de commencer à petite échelle et d’établir une crédibilité pour obtenir de la valeur.

Au sein des organisations, nous constatons que les services épuisent leur budget avant de franchir les dernières étapes, soit celles qui permettent d’obtenir de la valeur. Notre approche consiste à nous attaquer aux dernières étapes d’abord et à mettre en œuvre une stratégie qui vise une résolution graduelle des problèmes tout en progressant vers les plateformes avancées de technologie et d’analyse de données.

Apporter de petits changements progressivement permet de tester rapidement les hypothèses et les solutions. Un tel cadre de travail permet de réduire le coût de l’échec en échouant rapidement. L’approche itérative est importante pour être en mesure de mettre de côté les solutions tactiques au profit de solutions stratégiques.

Mission

Nous avons entrepris un programme de cinq ans avec une multinationale. Pendant la première année, nous avons concentré nos efforts pour trouver le plus grand problème à résoudre, soit la production de rapports obligatoires par l’une de ses entités.

Défi pour le client

L’équipe était toujours à la dernière minute en raison des processus de rapports annuels, qui duraient plus de 42 jours et empiétaient sur le calendrier mensuel, en plus d’entraîner une usure considérable des effectifs (90 %) et des pénalités dues à la présence d’erreurs importantes dans les déclarations.

Solution

Nous avons passé deux semaines à analyser des milliers de feuilles de calcul pour confirmer que nous pouvions participer à la résolution du problème. Puis, nous avons procédé à une série de sprints, dont chacun commençait par la communication de nos hypothèses concernant le nombre de rapports que nous pouvions terminer et de quelle façon nous y arriverions. Ensuite, l’équipe courante remettait en cause nos suppositions, ce qui nous a permis de tester nos hypothèses et de mettre à jour nos suppositions.

Nous avons été en mesure de produire 21 déclarations sur 23 et de raccourcir le calendrier de production de rapports à 6 jours. Notre solution a créé un processus de production de rapports plus efficace en tirant parti de l’outil de visualisation stratégique du client tout en recueillant des données de manière tactique. Nous avons remplacé un à la fois les flux tactiques du client alors que nous élargissions la portée de son entrepôt de données financières et actuarielles. Nous avons contribué à améliorer la production de rapports et l’expérience des effectifs en commençant par une petite hypothèse, des tests et des leçons tirées de chaque itération.

Moderniser le profil d’embauche

Outre les données sous-optimales, les autres défis importants que doivent affronter les organisations comprennent le manque de personnel compétent pour assumer des rôles technologiques importants et une culture d’entreprise réfractaire au risque qui tarde à se lancer dans les changements et les perturbations numériques.

En plus de subir la pénurie mondiale de personnel, les organisations ont du mal à trouver les talents requis pour les projets de transformation de données puisqu’elles engagent encore de la même façon qu’il y a dix ans, même si le profil d’embauche a changé.

Un grand nombre d’organisations se tournent vers des experts en science des données pour administrer leurs programmes d’analyse, mais ces experts sont formés pour régler le problème de données, et non le problème opérationnel. Bien que les experts en science des données jouent un rôle important, ils doivent faire partie d’une équipe multidisciplinaire élargie plutôt que d’agir à titre de moteur central derrière un programme d’analyse.

Une autre approche consiste à rechercher des professionnels multidisciplinaires qui comprennent comment résoudre les problèmes opérationnels et possèdent des compétences en technologie. Par exemple, un actuaire peut comprendre les coûts financiers associés à des risques précis pour l’entreprise, mais un actuaire qui possède des compétences en technologie pourrait contribuer à l’ébauche d’une solution de données pour régler un problème opérationnel. Cette solution pourrait ensuite être acheminée à un spécialiste des technologies pour en consolider la structure.

S’il n’est pas toujours facile de trouver des professionnels multidisciplinaires, les organisations ont la possibilité de créer des ensembles de compétences à l’interne, ce qui peut favoriser la fidélisation des talents. Les candidats doivent être à l’aise en situation d’ambiguïté, et en mesure de résoudre des problèmes ou de concevoir des solutions au moyen d’une approche itérative.

Rendre le milieu de travail agile

Un milieu de travail agile accepte l’échec, c’est-à-dire qu’il permet d’échouer rapidement afin de réessayer et d’apporter des changements selon une approche itérative pour obtenir le résultat souhaité. Ainsi, les effectifs peuvent présenter leur travail aux autres, obtenir une rétroaction et s’adapter, mais ils doivent être à l’aise d’exposer des imperfections.

Un programme de données exige une approche hybride qui allie la méthodologie agile à la méthodologie en cascade. Un milieu agile peut contribuer à l’articulation du problème, à la découverte des données et à la conception de la solution. Par contre, il faut ensuite procéder à une série de tests, y compris un contrôle des tolérances, avant le lancement.

Cette approche hybride exige de travailler en petites équipes composées de membres qui possèdent des compétences multidisciplinaires et une excellente compréhension de la technologie et des opérations. Elle exige également de la structure, de la rigueur et de la gouvernance en matière de données, ainsi que du soutien en amont pour veiller à ce que les données correspondent à l’objectif souhaité.

Notre approche pour créer un changement culturel doit rester constante et ne pas se limiter à un simple coup d’envoi. Elle doit être adoptée au sein même des équipes. Nous avons observé que le fait de nommer un champion au sein de chaque équipe permet de remettre continuellement en question le statu quo.

Intégrer l’approche et la gouvernance en matière de données

Les données constituent le fondement des analyses. Une plateforme d’analyse fournit des renseignements qui proviennent de données, que ce soit pour une analyse simple, par exemple en vue d’aider les utilisateurs à visualiser leurs données, ou des applications d’IA complexes. Sans gouvernance, il est facile de mal comprendre les résultats des plateformes d’analyse et de prendre de mauvaises décisions. Un manque de gouvernance facilite l’introduction de tolérances dans les analyses.

Si les analyses sont destinées à remplacer les décisions intuitives par des décisions fondées sur des données, les décisions fondées sur de mauvaises données peuvent être encore plus néfastes puisqu’il est impossible de savoir si les données sont exactes ou teintées par des tolérances. La qualité des analyses repose sur celle des données sur lesquelles elles s’appuient. Les utilisateurs doivent comprendre pourquoi ils prennent une décision plutôt que de se borner à suivre ce qu’un outil leur a indiqué de faire. La gouvernance sur la façon dont les données sont interprétées au sein du moteur de données joue un rôle important par rapport aux résultats d’analyse. Elle comprend l’évaluation du contrôle des tolérances, l’auditabilité et la capacité d’expliquer à quelles fins sont utilisés les résultats et si l’analyse est appropriée par rapport à l’objectif.

Défi

Les équipes œuvrant sur le modèle n’ont pas été en mesure de déterminer dès le départ leurs exigences en matière d’intégration des données. Toutefois, sans ces exigences, les modèles doivent traiter de la transformation des données, ce qui diminue la cohérence au sein du groupe et augmente le coût de propriété.

Mission

Nous avons été appelés à contribuer à la normalisation de modèles d’évaluation du risque et de la responsabilité à l’échelle du groupe, puis à les intégrer à une solution de données automatisée.

Solution

Une approche itérative était nécessaire pour le travail de conception d’un modèle. Nous avons formé une équipe de données pour accompagner l’équipe de conception de modèle afin d’aider à créer un ensemble de données futur à l’aide de services d’infonuagique modernes et d’une approche agile. Cette équipe de données agile a commencé par l’interface de données avant de remonter progressivement vers les systèmes sources en apportant des changements intrajournaliers à l’interface de données, au besoin. Une fois le travail de conception de modèle terminé, la solution de données a été optimisée et consolidée sur le plan opérationnel. Nous avons également été en mesure de tirer parti d’une structure technologique pour les futures données, choisie par le groupe.

En procédant ainsi, nous avons pu tester et valider la mise en correspondance des données et susciter une transformation en parallèle à la conception de modèle, ce qui a renforcé la confiance parmi les utilisateurs d’entreprise.

Encore une fois, il s’agit de trouver le bon personnel et le cadre de gouvernance approprié. Pour surmonter le défi que comportent les données non optimales, il faut trouver et former des professionnels multidisciplinaires qui remettent en question le statu quo et deviennent partie intégrante d’un changement de culture plus vaste en matière de données et d’analyse. Ainsi, il faut commencer le travail à petite échelle pour pouvoir échouer rapidement, apporter des changements itératifs et régler les problèmes opérationnels immédiats afin que les données puissent devenir un atout pour l’organisation.

Comment nous pouvons vous aider

KPMG au Canada peut vous aider à rationaliser vos processus, quelle que soit l’étape où vous vous situez dans votre parcours vers l’excellence opérationnelle. De la révision de vos processus actuels à la mise en œuvre de technologies révolutionnaires, notre équipe de professionnels expérimentés est là pour vous aider à accroître l’efficacité opérationnelle de votre entreprise en concevant et en intégrant des analyses opérationnelles transformatrices dans l’ensemble de votre organisation. Communiquez avec nous pour découvrir comment notre équipe peut vous aider à apporter des changements et à améliorer vos capacités en matière de données et d’analyse au sein des fonctions de première ligne, intermédiaires et administratives.